Cloudflare web-ৰ এক বৃহৎ অংশৰ আগফালে থাকে। বহু দলৰ বাবে ই CDN, DNS provider, firewall আৰু abusive automationৰ বিৰুদ্ধে প্ৰথম প্ৰতিৰক্ষা ৰেখা, এই সকলো একেলগে। ইয়াৰ bot products সেই স্থানৰ বাবে ডিজাইন কৰা হৈছে: ই traffic আগতেই দেখে, challenge কৰিব নে বন্ধ কৰিব সেয়া নিৰ্ণয় কৰে, আৰু site owner-সকলক crawlers, AI crawlersসহ, তেওঁলোকৰ content-লৈ কেনেকৈ আহে তাৰ নিয়ন্ত্ৰণ দিয়ে।
আপোনাৰ application-এ আন এটা প্ৰশ্নৰ উত্তৰ দিব লাগে। এটা request edge পাৰ হৈ গ'লে, আপোনাৰ code-এ জানিব লাগে কোনে বা কি acting কৰিছে যাতে সঠিক experience বাছিব পাৰে। এইটো কি ব্যক্তি, AI assistant-ৰ সৈতে কাম কৰা ব্যক্তি, customerৰ হৈ acting কৰা agent, নে evidence-এ ব্যাখ্যা কৰিব নোৱাৰা কিবা? আৰু আপোনাৰ code-এ কিমান নিশ্চিত হোৱা উচিত?
এই কামটোৰ বাবেই Proof of Actor নিৰ্মিত। ই এটা focused, application-level layer যি স্পষ্ট evidence basisসহ actor class ঘূৰাই দিয়ে, আৰু সেই সিদ্ধান্তৰ মালিক code-লৈ deliver কৰে। এই page-এ Cloudflare-ৰ নিজৰ documentation as of November 2026 ব্যৱহাৰ কৰি দুয়োটাক ন্যায়সঙ্গতভাৱে তুলনা কৰে, যাতে আপুনি কোনটো ক'ত উপযুক্ত সেয়া দেখিব পাৰে।
সংক্ষিপ্ত ৰূপ
| Cloudflare bot products | Proof of Actor | |
|---|---|---|
| কাৰ বাবে নিৰ্মিত | edge-ত infrastructure আৰু content সুৰক্ষা | product আৰু policy সিদ্ধান্তৰ বাবে আপোনাৰ application-লৈ actor context দিয়া |
| ক'ত চলে | আপোনাৰ origin-ৰ আগফালে, Cloudflare-ৰ edge network-ত | আপোনাৰ server, edge layer, approved browser pages, HTTP API বা MCP server-ত |
| মূল output | Challenges আৰু rule actions; Enterprise Bot Management-ৰ বাবে 1 to 99 পৰ্যন্ত bot score আৰু bot fields | Human, Human + AI, Agent বা Unknown, লগতে basis: verified, declared, inferred বা unknown |
| output ক'ত যায় | Cloudflare rules, analytics আৰু Workers | আপোনাৰ application code আৰু route আৰু workflow অনুসৰি actor analytics |
| AI-assisted ব্যক্তি | bot score-ত পৃথক category নহয় | supported integration-ৰ জৰিয়তে declared বা observed হ'লে নিজৰ class, Human + AI |
| অস্পষ্ট traffic | score কৰা হয় আৰু edge rules-এ handle কৰে | প্ৰতি route-এ আপুনি সেট কৰা fallbackসহ first-class result হিচাপে Unknown |
| signed agent | Web Bot Auth verification আৰু signed agent signals | আপোনাৰ code-ত verified basis হিচাপে report কৰা RFC 9421 signature checks |
| MCP servers আৰু API callers | edge-ত HTTP traffic হিচাপে সুৰক্ষিত | tool call বা API request handle কৰা server-ৰ ভিতৰত caller context |
| CDN dependency | Cloudflare-ৰ networkৰ মাজেৰে যোৱা traffic-ৰ ক্ষেত্ৰত প্ৰযোজ্য | আপুনি যি CDN ব্যৱহাৰ কৰক বা একেবাৰেই নকৰক, তাৰ ওপৰত নিৰ্ভৰশীল নহয় |
| install কৰাৰ সময়ত default | আপুনি enable কৰা product আৰু settings-ৰ ওপৰত নিৰ্ভৰ কৰে | Observation mode; আপুনি policy যোগ নকৰালৈকে একো সলনি নহয় |
এই page-ৰ বাকী অংশে প্ৰতিটো row ব্যাখ্যা কৰিছে।
AI agent trafficৰ বাবে Cloudflare Bot Managementৰ বিকল্প বিচাৰিছেনে?
বিকল্প বিচাৰি থকা বেছিভাগ দল edge-ৰ সৈতে অসন্তুষ্ট নহয়। তেওঁলোকৰ এটা নতুন প্ৰশ্ন আছে যাৰ উত্তৰ edge-এ দিবৰ বাবে ডিজাইন কৰা হোৱা নাছিল: AI agent, AI-assisted ব্যক্তি আৰু ordinary visitor সকলোৱে একে signup form, API route বা MCP tool-ত আহিছে, আৰু product-এ তেওঁলোকক ভিন্নভাৱে handle কৰিব লাগিব। ইয়াৰ এটা সহজ বিভাজন আছে।
ক'ত Proof of Actor-এ সিদ্ধান্তৰ ঠাই লয়। যদি আপুনি বৰ্তমানে bot scores বা bot fields ব্যৱহাৰ কৰি product behavior drive কৰে, যেনে AI-drafted submission label কৰা, agentক structured endpoint-লৈ route কৰা, বা এটা specific workflow-ত unclear caller-ৰ বাবে fallback বাছা, তেন্তে সেই কামৰ বাবে Proof of Actor অধিক উপযুক্ত। ই actor class, Human, Human + AI, Agent বা Unknown, আৰু evidence basis, সরাসরি আপোনাৰ application code-লৈ ঘূৰাই দিয়ে। Routing আৰু policy decision সেই code-ৰ ভিতৰলৈ যায় যি আগতেই জানে প্ৰতিটো route কি কৰে, আৰু আপুনি যি CDN ব্যৱহাৰ কৰক একে ধৰণে কাম কৰে।
ক'ত Proof of Actor-এ Cloudflare-ৰ সৈতে যোগ হয়। Proof of Actor এটা network security product নহয়। November 2026লৈকে Cloudflare-ৰ documentation অনুযায়ী, ইয়াৰ DDoS protection-এ automatically attacks detect আৰু mitigate কৰে আৰু সকলো plan-ত available, আৰু ইয়াৰ Web Application Firewall-এ incoming web আৰু API request managed আৰু custom rules-ৰ সৈতে check কৰে। সেই layer ৰাখক। Volumetric attack, exploit attempt আৰু abusive automation origin-লৈ আগতে বন্ধ হোৱা উচিত, আৰু Proof of Actor-এ সেই কাম কৰিবলৈ চেষ্টা নকৰে।
সেয়ে "এইটো কি বিকল্প?"-ৰ সোজা উত্তৰ হৈছে: আপোনাৰ app-ত actor classification আৰু per-route routingৰ বাবে হয়, আৰু edge DDoS আৰু WAF protectionৰ বাবে নহয়। বেছিভাগ production team-এ শেষত দুয়োটা layer ব্যৱহাৰ কৰে, প্ৰতিটোৱে নিজৰ নিৰ্মিত কাম কৰি।
Cloudflare-ৰ bot products কিহৰ বাবে নিৰ্মিত
November 2026লৈকে Cloudflare-ৰ documentation অনুযায়ী, ই তিনিটা bot-specific product দিয়ে:
- Bot Fight Mode, Free plan-ত available, যি domain জুৰি detected bot traffic-এ একেটা toggle-ৰ সৈতে challenge কৰে।
- Super Bot Fight Mode, Bot Management add-on নথকা Pro, Business আৰু Enterprise plan-ৰ বাবে, যি bot category অনুসৰি configurable action যোগ কৰে।
- Bot Management for Enterprise, যি per-request bot score, custom rules, per-endpoint handling আৰু detailed analytics যোগ কৰে।
Cloudflare-ৰ ভাষাত bot score হৈছে 1 to 99ৰ মাজৰ score যি এটা request bot-ৰ পৰা আহিছে কিমান সম্ভৱ সেয়া দেখুৱায়, য’ত 1 মানে request automated আছিল বুলি উচ্চ নিশ্চিততা আৰু 99 মানে request মানুহৰ পৰা আহিছিল বুলি উচ্চ নিশ্চিততা। Cloudflare-ৰ documentation-এ কয় যে granular score Bot Management কিনা Enterprise গ্ৰাহকসকলৰ বাবে available, আন plan-সমূহে automated, likely automated, likely human আৰু verified botৰ দৰে grouped result দেখে। Score-সমূহ WAF custom rules-ত ব্যৱহাৰ কৰি request block, challenge বা allow কৰিব পাৰি, আৰু সেয়া Workers-তো available।
Cloudflare-এ verified bots-ও বজাই ৰাখে, যাক ইয়াৰ documentation-এ এনে bot বা agent বুলি বৰ্ণনা কৰে যি কোনে তেওঁলোক আৰু কি কৰে সেই বিষয়ে transparent, যেনে search engine crawlers, monitoring services আৰু user-driven agents। Verification Web Bot Auth signature বা IP validation, লগতে non-abusive behavior-ৰ দৰে পদ্ধতিৰ ওপৰত নিৰ্ভৰ কৰে।
AI trafficৰ বাবে বিশেষকৈ, AI Crawl Control-এ site owner-সকলক কোন AI service-এ তেওঁলোকৰ content access কৰে তাৰ visibility দিয়ে, individual crawler allow বা block কৰিবলৈ দিয়ে, আৰু crawler-এ robots.txt কিমান ভালকৈ অনুসৰণ কৰে সেয়া track কৰে। Cloudflare-ৰ documentation-এ ইয়াক সকলো plan-ত available বুলি তালিকাভুক্ত কৰিছে।
এইবোৰ সেই কামৰ বাবে শক্তিশালী tool যি বাবে ই নিৰ্মিত: edge-ত কোন automated traffic আপোনাৰ origin আৰু content-লৈ যায় সেয়া সিদ্ধান্ত কৰা।
প্ৰতিটো ক'ত চলে, আৰু output ক'ত যায়
সৰ্বাধিক ব্যৱহাৰিক পাৰ্থক্যটো হৈছে location।
Cloudflare-ৰ bot products আপোনাৰ origin-ৰ আগফালে Cloudflare-ৰ network-ত চলে। তেওঁলোকৰ output সেই ঠাইলৈ যায় য’ত Cloudflare-ৰ controls থাকে: WAF custom rules, bot analytics, আৰু Cloudflare-ৰ bot management variables reference অনুসৰি Cloudflare Workers-ৰ request.cf object-লৈ। Request বন্ধ কৰিব নে challenge কৰিব সেয়া নিৰ্ণয় কৰিবলৈ এইটো সঠিক স্থান।
Proof of Actor আপোনাৰ application logic য’ত থাকে সেয়াই চলে: Node.js middleware, Next.js, আপুনি নিয়ন্ত্ৰণ কৰা edge layer, আপুনি approve কৰা pages-ত browser collector, এটা generic HTTP API, বা আপোনাৰ MCP server। ইয়াৰ output আপোনাৰ application code-ত structured result হিচাপে যায়, আৰু route আৰু workflow অনুসৰি বিভক্ত actor analytics-তও যায়। Detail-ৰ বাবে integration paths চাওক।
সেই location product decision-ৰ বাবে গুৰুত্বপূর্ণ। আপোনাৰ code-এ জানে এটা route কোন workflow-ৰ অংশ, আপোনাৰ নিজৰ assistant-এ action কৰিলে নে নহয়, কোনো client-এ নিজকে declare কৰিলে নে নহয়, আৰু সেই route-ৰ business impact কি। "verified agent-লৈ structured endpoint serve কৰক, মানুহক normal flow-ত ৰাখক, AI-assisted submission label কৰক"-ৰ দৰে per-route decision সেই জ্ঞানৰ কাষতে থাকিব লাগে। Proof of Actor-এ actor context ঠিক সেই ঠাইতে ৰাখে, আৰু যিহেতু ই এটা provider-ৰ network-ৰ ভিতৰত নহয়, আপোনাৰ stack-ৰ ভিতৰত চলে, সেয়ে ই Cloudflare-ৰ পিছত, অন্য CDN-ৰ পিছত, বা একেবাৰেই CDN নথকাকৈও একে ধৰণে কাম কৰে।
score বনাম basisসহ class
Score এটা protection rule-ৰ বাবে দক্ষ input: এটা threshold বাছক আৰু তাৰ ওপৰত বা তলত action কৰক। ইয়াৰ উদ্দেশ্য হৈছে এটা request automated হোৱাৰ সম্ভাৱনা কিমান সেয়া উত্তৰ দিয়া।
Product decision-এ অধিক সমৃদ্ধ উত্তৰ বিচাৰে। Proof of Actor-এ চাৰিটা class-ৰ এটাৰে result দিয়ে:
- Human: observable signals-এ human-directed interaction সূচায়।
- Human + AI: এটা ব্যক্তি এ AI assistanceসহ interaction direct কৰিছে, যি declared আছিল বা supported integration-ৰ জৰিয়তে observed হৈছিল।
- Agent: automated বা agent-origin interaction।
- Unknown: evidence-এ reliable determination সমৰ্থন নকৰে।
প্ৰতিটো result-এ এটা evidence basisও কঢ়িয়ায়: verified, উদাহৰণস্বৰূপ published key-ৰ বিপৰীতে checked কৰা RFC 9421 HTTP Message Signature; declared, যেতিয়া client বা আপোনাৰ application-এ সেয়া উল্লেখ কৰিছে; inferred, স্পষ্টভাৱে inference হিচাপে চিহ্নিত; বা unknown। আপোনাৰ দল-এ প্ৰতিটো result পঢ়ি তাৰ পিছৰ evidence দেখিব পাৰে, আৰু সেইটোৱেই আপোনাক লাগে যেতিয়া সিদ্ধান্তে customer-ৰ experience-ত প্ৰভাৱ পেলায়, attack surface-ত নহয়।
AI agent, signed agent আৰু AI-assisted ব্যক্তি
Cloudflare-এ agent verification-ত বিনিয়োগ কৰিছে। November 2026লৈকে ইয়াৰ documentation অনুসৰি, Cloudflare-এ Web Bot Auth support কৰে, এটা authentication method যি RFC 9421-ৰ ওপৰত ভিত্তি কৰি HTTP message-ত cryptographic signature ব্যৱহাৰ কৰে যাতে bot আৰু agent verify কৰিব পৰা যায়। ইয়াৰ docs-এ signed agent signal বৰ্ণনা কৰে, Bot Management থকা Enterprise গ্ৰাহকৰ বাবে cf.bot_management.signed_agent field হিচাপে exposed, আৰু July 1, 2026ৰ পৰা Direct versus Intermediary access field যি single-operator bot আৰু বহু end user-এ চলাব পৰা agentic service-ৰ মাজত পাৰ্থক্য কৰে। Cloudflare-এ সকলো plan-জুৰি AI crawler আৰু agent access policyও দিয়ে।
Proof of Actor-এ signed request-সমূহক বহল ছবিখনৰ এটা অংশ হিচাপে ধৰে। যেতিয়া এটা request-এ published key-ৰ বিপৰীতে checked কৰা বৈধ HTTP Message Signature কঢ়িয়ায়, result-টো Agent হয় verified basisসহ, আৰু সেয়া সরাসরি আপোনাৰ route handler-লৈ যায়। signed agent request verify কৰা guide-এ flow দেখুৱায়। বৈধ signature-এ কোন key-এ request sign কৰিলে সেয়া প্ৰমাণ কৰে, সেই agent কি কৰিবলৈ authorized সেয়া নহয়, সেয়ে authorization আপোনাৰ application-তেই থাকে য'ত সেয়া থাকিব লাগে।
বৃহৎ পাৰ্থক্যটো হৈছে মাজৰ মানুহবোৰ। আপোনাৰ কিছুমান user-এ AI assistant-ৰ সৈতে কাষে কাষে কাম কৰে: support ticket draft কৰা, form পূৰণ কৰা, onboarding-ৰ মাজেৰে যোৱা। Edge bot scoring automation আৰু মানুহৰ মাজত পাৰ্থক্য কৰিবলৈ নিৰ্মিত, আৰু এই group-টোক পৃথক কৰাৰ কোনো কাৰণ ইয়াৰ নাই। আপোনাৰ product-এ প্ৰায়ে কৰে। Proof of Actor-এ Human + AI-ক নিজৰ class হিচাপে report কৰে, কেৱল যেতিয়া assistance declared আছিল বা supported integration-ৰ জৰিয়তে observed হৈছিল, যাতে আপুনি AI-drafted submission label কৰিব পাৰে, AI-assisted user-এ workflow-ৰ মাজেৰে কেনেকৈ আগবাঢ়ে সেয়া measure কৰিব পাৰে, বা তেওঁলোকক অধিক সৰল path দিব পাৰে। AI-assisted interaction glossary entry-ত অধিক পঢ়ক।
Unknown এটা result, threshold নহয়
প্ৰতিটো detection system-এ এনে traffic পায় যিটো সেয়া ব্যাখ্যা কৰিব নোৱাৰে। Edge-ত, unclear traffic score যি rule-ত পৰে তাৰ দ্বাৰা handle কৰা হয়। ইয়াৰ ফলত এটা zone-ৰ জুৰি protection একে ধৰণে থাকে।
Applicationৰ ভিতৰত, এটা setting-এ খুব কমেই সকলো route-ৰ বাবে মানানসই হয়। এটা public documentation page-লৈ গৈ থকা unclear request আৰু account credential সলনি কৰিবলৈ গৈ থকা unclear request-এ ভিন্ন handling দাবী কৰে। Proof of Actor-এ Unknown-ক first-class result হিচাপে ঘূৰাই দিয়ে, আপোনাৰ Unknown rate সময়ৰ সৈতে track কৰে, আৰু route অনুসৰি fallback বাছিবলৈ দিয়ে: public content-ত allow কৰক, account change-ত existing check ৰাখক, high-impact action-ত reviewলৈ পঠাওক। Unknown traffic handle কৰা guide-এ pattern-সমূহ কভাৰ কৰে, আৰু Unknown classification entry-এ honest Unknown কিয় forced guess-তকৈ ভাল সেয়া ব্যাখ্যা কৰে।
MCP servers আৰু APIs
Cloudflare-এ MCP server আৰু APIs-ও সেই একে ধৰণে সুৰক্ষা দিয়ে যি দৰে ই তাৰ network-ৰ মাজেৰে যোৱা যিকোনো HTTP traffic সুৰক্ষা দিয়ে। এইটো মূল্যবান, আৰু request আপোনাৰ service-লৈ আহাৰ আগতেই ঘটে।
MCP server বা API-এ তাৰ পিছত সাধাৰণতে যি লাগে সেয়া হৈছে handler-ৰ ভিতৰত caller context: কোন agent এই tool কল কৰিছে, সেই identity verified নে কেৱল declared, আৰু এই tool call allow, adapt, rate-limit বা reviewলৈ পঠিয়াব লাগে নে নহয়। Proof of Actor-এ এটা MCP server integration আৰু generic HTTP API ship কৰে যাতে সেই context tool বা endpoint logic চলা ঠাইলৈ আহে। উদাহৰণৰ বাবে MCP server caller identification আৰু APIs use case চাওক।
একেলগে কেনেকৈ ব্যৱহাৰ কৰিব
শক্তিশালী setup-এ প্ৰতিটো tool-লৈ নিজৰ layer দিয়ে:
- Edge-ত, Cloudflare-এ attack absorb কৰে, abusive automation-এ challenge কৰে, known bot verify কৰে আৰু আপোনাৰ AI crawler policy প্ৰয়োগ কৰে।
- আপোনাৰ application-ত, Proof of Actor-এ আপোনালৈ অহা traffic-এ Human, Human + AI, Agent বা Unknown হিচাপে class কৰে, basisসহ।
- আপোনাৰ code-ত, per-route policy-এ সেই context ব্যৱহাৰ কৰি allow, adapt, challenge, reviewলৈ পঠিয়াওক বা rate-limit কৰক, Unknown-ৰ বাবে স্পষ্ট fallbackসহ।
- আপোনাৰ analytics-ত, product আৰু security team-এ কোন route আৰু workflow প্ৰতিটো actor class-এ ব্যৱহাৰ কৰিছে সেয়া দেখে।
Proof of Actor observation mode-ত আৰম্ভ কৰে, সেয়ে Cloudflare-ৰ পিছত ইয়াক যোগ কৰিলে day one-ত একো সলনি নহয়। আপুনি আপোনাৰ প্ৰকৃত actor mix দেখে, live traffic-ৰ বিপৰীতে policy preview কৰে, আৰু এটাকৈ route enforce কৰে। actor-aware policy safely roll out কৰা guide-এ সেয়া ধাপে ধাপে দেখুৱায়। Proof of Actor-এ কোনো identity check, KYC বা biometrics কৰে নকৰে; ই কোনে বা কি acting কৰিছে সেয়া report কৰে আৰু সিদ্ধান্ত আপোনাৰ ওপৰত এৰি দিয়ে।
কেতিয়া কোনটো বাছিব
আপোনাৰ মূল প্ৰয়োজন যদি edge protection হয় তেন্তে Cloudflare-ৰ bot products বাছক: abusive automation origin-লৈ আগতে বন্ধ কৰা, zone জুৰি সন্দেহজনক traffic-এ challenge কৰা, আৰু AI crawlers-এ আপোনাৰ content কেনেকৈ access কৰে সেয়া নিয়ন্ত্ৰণ কৰা।
আপোনাৰ মূল প্ৰয়োজন যদি application-level actor context হয় তেন্তে Proof of Actor বাছক: মানুহ, AI-assisted মানুহ বা agent-এ প্ৰতিটো route ব্যৱহাৰ কৰিছে নে নাই জানি থকা, প্ৰতিটো result-ৰ পিছৰ evidence দেখা, Unknown সচেতনভাৱে handle কৰা, MCP server আৰু API handler-লৈ caller context দিয়া, আৰু আপোনাৰ CDN-ৰ ওপৰত নিৰ্ভৰ নকৰাকৈ per-route product policy লিখা।
যদি আপুনি এটা production website, API বা MCP server চলায়, তেন্তে সম্ভৱতঃ দুয়োটা উত্তৰ লাগিব, সেইবাবেই এই দুয়োটা একে stack-ত স্বাচ্ছন্দ্যে থাকে। বিস্তৃত category comparison-ৰ বাবে Proof of Actor vs bot management চাওক।
আৰম্ভ কৰক
Proof of Actor private beta-ত আছে। Founding Developer Program-ৰ জৰিয়তে, নির্বাচিত দলসমূহে agreed usage limits-ৰ ভিতৰত up to 12 months free পাব পাৰে, automatic billing নোহোৱাকৈ। early access-ৰ বাবে আবেদন কৰক আৰু আমাক কওক আপুনি কোন application, API বা MCP server-টো প্ৰথমে বুজিব বিচাৰে।
এই page-ত Cloudflare-সম্পৰ্কীয় product details Cloudflare-ৰ public documentation-ৰ ওপৰত ভিত্তি কৰি আছে, য’ত bot score reference আৰু Web Bot Auth reference, DDoS protection overview আৰু WAF overview অন্তর্ভুক্ত, as of November 2026.
Cloudflare হৈছে Cloudflare, Inc.-ৰ trademark।